PhysBrain 1.5 是一个具身视觉语言模型，面向物理交互中的观察理解、目标导向动作生成和环境演化预测。它把智能体—环境交互建模为闭环：由观测进行推理和行动，行动改变环境，更新后的状态再作为下一次观测输入。

模型使用预训练 Qwen3-VL 作为 backbone，并扩展了专用的动作 token 与视觉状态 token。语言回答、结构化空间输出、末端执行器轨迹和未来世界状态都被表示为离散 token，通过共享自回归 backbone 和统一的 next-token prediction 目标联合学习，不使用任务专用 head。

评测覆盖 28 个具身空间智能与规划基准，包含视觉空间感知、3D 与多视角空间理解、具身认知推理与规划、空间 grounding/pointing/affordance、视觉轨迹推理，以及动作预测和未来状态预测。模型接口兼容 Transformers、vLLM、SGLang、LLaMA-Factory、ms-swift 和 veRL 等推理与后训练基础设施。